长时间序列周期性预测问题
首先，未来的TS信号产生了对相邻历史观测和固有周期性的复杂依赖
第二个挑战在于，一个典型的真实世界TS的固有周期性通常是由不同振幅和频率的不同周期组成的。
其次，要求在根据数据估计其他参数之前预先确定周期频率，
模型：DEPTS
如图所示，DEPTS 主要包含两大模块：周期模块（The Periodicity Module）和展开模块（The Expansion Module）。
首先，周期模块负责对整条时间序列的全局周期进行建模，接受全局时间作为输入，推断隐式的周期状态作为输出。为了有效刻画多种不同模式的复合周期，这里使用了一组参数化的周期函数（如余弦级数）来构建周期模块并使用相应变换（如离散余弦变换）来进行高效的参数初始化。
然后，基于一段观测的时间序列信号及其相应的隐式周期状态，展开模块负责捕捉观测信号与隐式周期之间复杂的依赖关系并做出预测。在这里，研究员们拓展了经典的深度残差学习思想开发了一种深度展开学习架构。在这个架构中，研究员们会对输入的时间序列及其隐式周期做逐层的依赖关系展开并得出相应预测分量。在每一层中，由参数化的周期神经网络来决定本层聚焦的周期分量，并展开观测信号的回看和预测分量。在进入下一层前，研究员们会减去本层中产生的周期分量和回看分量，从而鼓励后续的神经网络层聚焦于尚未展开的周期性依赖。按照这样的模式堆叠 N 层就构成了（深度）展开模块。
THE EXPANSION MODULE
不容易理解为什么这个部分提出使用残差连接
THE PERIODICITY MODULE
我们通过一个参数化周期函数gφ(t)来估计zt，该函数具有充分的容纳多种周期的能力。
从随机初始化直接进行φ和θ的联合优化是极具挑战性的。
总结：这个模型适合在周期性明显的长时间序列预测问题中
